鱼羊 发自 凹非寺量子位 报道 | 公众号 QbitAI

雅达利游戏，又被推上了强化学习基础问题研究的舞台。

来自谷歌大脑的最新研究提出，强化学习虽好，效率却很低下，这是为啥呢？

——因为AI遭遇了「灾难性遗忘」！

所谓灾难性遗忘，是机器学习中一种常见的现象。在深度神经网络学习不同任务的时候，相关权重的快速变化会损害先前任务的表现。

而现在，这项图灵奖得主Bengio参与的研究证明，在街机学习环境（ALE）的单个任务中，AI也遇到了灾难性遗忘的问题。

研究人员还发现，在他们提出的Memento observation中，在原始智能体遭遇瓶颈的时候，换上一只相同架构的智能体接着训练，就能取得新的突破。

单一游戏中的「灾难性干扰」

在街机学习环境（Arcade Learning Environment，ALE）中，多任务研究通常基于一个假设：一项任务对应一个游戏，多任务学习对应多个游戏或不同的游戏模式。

研究人员对这一假设产生了质疑。

单一游戏中，是否存在复合的学习目标？也就是说，是否存在这样一种干扰，让AI觉得它既要蹲着又要往前跑？

来自谷歌大脑的研究团队挑选了「蒙特祖玛的复仇」作为研究场景。

「蒙特祖玛的复仇」被认为是雅达利游戏中最难的游戏之一，奖励稀疏，目标结构复杂。

研究人员观察到，CTS模型计算的Rainbow智能体，会在6600分的时候到达瓶颈。更长时间的训练和更大的模型大小都不能有所突破。

不过，只需从这个位置开始，换上一只具有相同架构的新智能体，就能突破到8000分的水平。

如此再重置一次，AI的最高分就来到了14500分。

需要说明的是，在换上新智能体的时候，其权重设置与初始的智能体无关，学习进度和权重更新也不会影响到前一个智能体。

研究人员给这种现象起了一个名字，叫Memento observation。

Memento observation表明，探索策略不是限制AI在这个游戏中得分的主要因素。

原因是，智能体无法在不降低第一阶段游戏性能的情况下，集成新阶段游戏的信息，和在新区域中学习值函数。

也就是说，在稀疏奖励信号环境中，通过新的奖励集成的知识，可能会干扰到过去掌握的策略。

上图是整个训练过程中，对游戏的前五个环境进行采样的频率。

在训练早期（左列），因为尚未发现之后的环节，智能体总是在第一阶段进行独立训练。到了训练中期，智能体的训练开始结合上下文，这就可能会导致干扰。而到了后期，就只会在最后一个阶段对智能体进行训练，这就会导致灾难性遗忘。

并且，这种现象广泛适用。

上面这张图中，每柱对应一个不同的游戏，其高度代表Rainbow Memento智能体相对于Rainbow基线增长的百分比。

在整个ALE中，Rainbow Memento智能体在75%的游戏中表现有所提升，其中性能提升的中位数是25%。

这项研究证明，在深度强化学习中，单个游戏中的AI无法持续学习，是因为存在「灾难性干扰」。

并且，这一发现还表明，先前对于「任务」构成的理解可能是存在误导的。研究人员认为，理清这些问题，将对强化学习的许多基础问题产生深远影响。

传送门

论文地址：https://arxiv.org/abs/2002.12499

GitHub：https://github.com/google-research/google-research/tree/master/memento